Open TTS 排行榜：可扩展的多语言语音合成与克隆评
来自 Hugging Face · 期号 2026-09-30
摘要
TTS 模型发布很快，但评测跟不上。Hugging Face 推出了 Open TTS 排行榜，用客观指标代替人工投票来评估开源多语言 TTS 和语音克隆模型。 排行榜默认按英文 WER 排序，Kokoro-82M、supertonic-3、s2-pro 领先。多语言模式下，OmniVoice、s2-pro、CosyVoice3 表现突出。语音克隆模式下，部分模型（如 higgs-tts-3-4b）的 WER 反而更低。 除了数字，还有一个「听」标签页，可以对比不同模型的输出并投票。流式标签页按首段音频到达时间（TTFA）排序，pocket-tts 在 GPU 和 CPU 上都很快。 排行榜只覆盖开源模型，评测脚本后续也会开源。
深读
导读 开源 TTS 模型发布速度远超评测能力，现有 Arena 式人工投票排行榜对开源模型覆盖不足且难以规模化。Hugging Face 推出的 Open TTS 排行榜用客观指标（WER、RTFx、说话人相似度）替代人工投票，在数小时内完成评测，覆盖多语言和语音克隆场景。读完可了解当前开源 TTS 模型在英文、多语言、语音克隆和流式场景下的性能排序，以及这套评测方法的局限。 关键信息 - 排行榜默认按英文 WER 排序，Kokoro-82M、supertonic-3、s2-pro 领先。 - 多语言模式下，OmniVoice、s2-pro、CosyVoice3 表现突出。 - 语音克隆模式下，部分模型（如 higgs-tts-3-4b、VoxCPM2）的 WER 反而比非克隆模式更低。 - 流式标签页按首段音频到达时间（TTFA）排序，pocket-tts 在 GPU 和 CPU 上都很快。 - 截至 2026 年 9 月 30 日，Artificial Analysis 上的 92 个模型中仅 16 个是开源权重，Voice Arena 也存在类似偏差。 - 评测脚本后续会开源，社区可通过 GitHub Issues 和 PR 参与。 逐节讲解 现有 TTS 评测的瓶颈 开源 TTS 模型发布极快（Hugging Face Hub 上已有超过 8000 个），但评测手段没有跟上。当前公认的黄金标准是人工偏好评分（如 MOS、MUSHRA），由此催生了 TTS Arena v2、Artificial Analysis、Voice Arena 等 Arena 式排行榜。这些排行榜让用户比较两个模型的输出并投票，用 Elo 分数排序。但这种方法有两个根本问题：一是无法规模化，收集足够投票需要数周，赶不上模型发布速度；二是对开源模型覆盖不足，接入一个 API 模型只需一个 API key，而开源模型需要排行榜运营方自行托管和提供服务，商业提供商也更愿意主动申请上榜。此外，投票者标准不统一，甚至同一个人的偏好也会随时间变化。 Open TTS 排行榜的评测方法 排行榜用客观指标替代人工投票，将评测周期从数周缩短到数小时。评测覆盖三个维度：可懂度（用 Qwen3 ASR 计算 WER 和 CER）、速度（H200 GPU 上的批处理逆实时因子 RTFx，以及 GPU 和 CPU 上的流式首段音频到达时间 TTFA）、说话人相似度（用 WavLM 说话人嵌入计算余弦相似度 SIM）。文章强调，这套指标不替代人工偏好——ASR 的 WER 只能代理可懂度，SIM 只能衡量音色保留，两者都无法测量自然度、表现力或听者偏好。排行榜的目的是为投票式排行榜提供候选模型筛选依据。 多语言与语音克隆评测 默认视图按英文 WER 排序，使用 Seed TTS Eval 和 CV3 E…